May, 2024

利用蒙特卡洛任意掩蔽法提高医学图像重建的全局敏感度和不确定性量化

PDF
TL;DR提出了一种使用 MambaMIR 和 MambaMIR-GAN 进行医学图像重建和不确定性估计的方法，通过 Arbitrary-Masked Mamba-based 模型和波尔塔斯转换结合，实现了最佳的重建保真度和感知质量。
deep learningmedical image reconstructionmambaarbitrary-masked mamba-based modeluncertainty estimation
发现论文，激发创造
  • MambaMIR：一种用于联合医学图像重建和不确定性估计的任意屏蔽的 Mamba

    本研究介绍了 MambaMIR 模型及其基于生成对抗网络的变体 MambaMIR-GAN，利用 Mamba 模型的优势，如线性复杂度、全局感受野和动态权重，通过创新的任意掩码机制使 Mamba 适应图像重建任务，并提供蒙特卡洛法的不确定性估计。实验证明 MambaMIR 和 MambaMIR-GAN 在多个医学图像重建任务中（包括快速 MRI 和 SVCT）取得了与当今最先进方法相媲美甚至更好的重建结果，并提供可靠性的重建质量的估计不确定性图。

    Feb, 2024

  • 弱猕猴蛇 UNet：可视化猕猴蛇使 CNN 和 ViT 在基于草图的医学图像分割中更加出色

    介绍了一种创新的弱监督学习框架，利用卷积神经网络（CNN）、视觉 Transformer（ViT）和最新的 Visual Mamba（VMamba）架构进行医学图像分割，特别是处理基于涂鸦注释。

    Feb, 2024

  • Mamba-UNet: 医学图像分割的纯视觉 Mamba

    我们提出了一种名为 Mamba-UNet 的创新架构，该架构将 U-Net 在医学图像分割中的能力与 Mamba 的能力相结合，通过纯粹的 Visual Mamba（VMamba）编码器 - 解码器结构和跳跃连接来捕捉医学图像中的细节和上下文，并显著优于具有相同超参数设置的 UNet 和 Swin-UNet。

    Feb, 2024

  • MedMamba：针对医学图像分类的视觉蛇

    Medical image classification using Vision Mamba, a novel Conv-SSM module that combines convolutional layers with state space model, demonstrates promising results in detecting lesions, establishing a new baseline for the field.

    Mar, 2024

  • Swin-UMamba：基于 Mamba 的 UNet 模型及基于 ImageNet 的预训练

    提出了一种新颖的基于 Mamba 的模型，Swin-UMamba，专门针对医学图像分割任务，利用了基于 ImageNet 的预训练的优势。实验结果表明，ImageNet 的训练对于提高基于 Mamba 的模型性能起到了重要作用。与 CNNs、ViTs 和最新的基于 Mamba 的模型相比，Swin-UMamba 在 AbdomenMRI、Encoscopy 和 Microscopy 数据集上的表现优异，平均得分比最接近的对应模型 U-Mamba 高出 3.58%。

    Feb, 2024

  • 半 Mamba-UNet：基于像素层面对比交叉监督的半监督医学图像分割中基于 Mamba 的 UNet

    利用 Semi-Mamba-UNet 结合了可视 mamba-based UNet 架构和常规 UNet，采用半监督学习（SSL）框架来解决医学影像分割中的长程依赖和专家标注问题，并通过自监督像素级对比学习策略提升特征学习性能。

    Feb, 2024

  • 基于 Vision Mamba 的混凝土、沥青和砖石表面自动裂缝分割

    本文提出了基于 Vision Mamba (VMamba) 的框架，用于对混凝土、沥青和砖石表面进行高准确度、广义化和较低计算复杂度的裂缝分割，相较于基于 CNN 的模型，使用 VMamba 的编码器 - 解码器网络能获得高达 2.8% 的更高的 mDS 且与基于 Transformer 的模型表现相当，在处理高分辨率图像输入时，VMamba-based 编码器 - 解码器网络能够降低高达 90.6% 的浮点操作。

    Jun, 2024

  • HC-Mamba：基于混合卷积技术的医学图像分割中的视觉 MAMBA

    基于现代状态空间模型 Mamba, HC-Mamba 是一种新的医学图像分割模型，通过引入扩张卷积技术和深度可分离卷积技术，能够在较低的计算成本下处理大规模医学图像数据，并表现出竞争性的性能。

    May, 2024

  • U-Mamba: 提高生物医学图像分割的长程依赖性

    基于深度序列模型的 U-Mamba 是一种适用于医学图像分割的通用网络，通过融合卷积层的局部特征提取能力与序列模型的长距离依赖捕捉能力，能够自适应不同数据集并在各种任务中取得优于当前基于 CNN 和 Transformer 的分割网络的结果，为医学图像分析中高效建模长距离依赖开辟了新的途径。

    Jan, 2024

  • I2I-Mamba: 通过选择性状态空间建模的多模态医学图像合成

    通过引入选择性状态空间建模 (SSM) 来捕捉远程上下文并保持局部精度，提出了一种新型对抗性模型 I2I-Mamba，该模型在卷积骨干网络的瓶颈中注入通道混合 Mamba (cmMamba) 块，综合报告了多对比度 MRI 和 MRI-CT 协议中缺失图像的完整演示，研究结果表明，I2I-Mamba 在合成目标模态图像方面优于现有的基于 CNN 和 Transformer 的方法。

    May, 2024